基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

小波新阈值法在振动信号去噪中的应用研究

针对传统的软、硬阈值函数去噪方法的缺陷,提出了一种基于小波的新阈值函数去噪算法,运用该方法对风力发电机齿轮箱的振动信号进行分析,排除振动信号中的噪声干扰,准确地提取故障信息。通过实验分析,对比了新阈值函数和传统软、硬阈值函数的去噪效果,证实新阈值函数在去除高斯白噪声方面表现出了良好的特性,重构信号更贴近真实信号,为风力发电机齿轮箱的故障诊断奠定基础。     

基于DSP的风力发电机齿轮箱故障诊断系统的研究与应用

风力发电机齿轮箱是风力发电机组中发生故障频率最多的部件。针对齿轮箱振动信号大多为非平稳的特征,设计了以DSP-TMS320F28335(简称F28335)为核心处理器的风力发电机齿轮箱故障诊断系统,该系统可以脱离上位机独立运行。利用F28335及其丰富的外设模块构建了系统的硬件平台,其中包括对模拟信号采集、频率信号、数字信号采集的相关模块,并具有以太网、CAN总线的通信功能。采集的信号经过DSP嵌入式EMD分解算法将振动信号分解成IMF分量,并对IMF分量进行Hilbert变换,进而获得精确的信号Hilbert边际谱图,依据Hilbert边际谱图得到设备潜在故障信息。经试验表明本系统能够有效的诊断齿轮箱故障。     

风力发电机故障模拟试验台装置研制

分析并设计了一种新型的风力发电机齿轮箱故障模拟试验台,可以灵活地模拟多种结构类型的风力发电机齿轮箱振动状况,并能方便地对故障进行多种组合模拟。同时采用变频电机和飞轮结构用于模拟实际风机齿轮箱的转矩输入与角速度输入,与实际风况更加接近。通过配置数据采集分析系统,用来对齿轮箱的振动状况进行监测分析。依据正交试验法模拟齿轮故障、轴承故障等实验,对风力发电机齿轮箱故障进行分析研究。     

变转速下的风力机行星齿轮箱故障诊断研究

由于风力发电机齿轮箱振动信号的非平稳性、传递路径复杂、系统噪声大和调制现象严重,常规的频谱分析方法难以识别齿轮箱的故障位置.针对以上问题,提出了一种基于同步提取(Sychroextracting Transform,SET)与沃德卡曼滤波相结合的风力机行星齿轮箱故障诊断研究方法(Combination of SET a...     

基于DSP和神经网络的风力发电机齿轮箱远程故障诊断系统

风力发电机齿轮箱是风力发电机组中发生故障频率最多的部件.为了满足对风力发电机齿轮箱的远程状态监测和故障诊断要求,设计了以C 2000系列DSP-TMS320F2812(简称F2812)为核心处理器的风力发电机齿轮箱远程故障诊断系统.系统可以脱离上位机独立运行,利用F2812丰富的外设模块构建了系统的硬件,可以对模拟信号、转速频率信号、数字信号进行数据采集,并具有以太网、全球移动通信系统(GSM)通信功能.针对风力发电机齿轮箱常见的轴承和齿轮故障,采用了有限脉冲响应(FIR)数字滤波、快速傅里叶变换(FFT)、倒频谱、小渡分析等方法提取出故障特征.将提取的特征向量输入训练好的BP神经网络进行嵌入式故障分类和识别,得出故障的类型、部位和程度.测试表明本系统能够实现长时间在线监测,并能正确的识别出故障,特别适用于风力发电机远程在线监测和故障诊断.     

基于小波域平稳子空间分析的风力发电机齿轮箱故障诊断

风力发电机齿轮箱故障信号为非平稳瞬态微弱信号,容易被齿轮啮合信号及其他噪声淹没。提出一种融合连续小波变换(Continuous wavdot transform,CWT)和平稳子空间分析(Startionary subspace analysis,SSA)的信号分解方法并应用于风力发电机齿轮箱故障诊断中。平稳子空间分析作为一种盲源分离技术可将高维数据分解成平稳源部分和非平稳源部分,对待分析信号各分量间的独立性没有要求且不需要任何先验信息。连续小波变换则可利用其所具有的多尺度分析特性把一维时间序列转换为不同尺度下的多维时间序列。对观测得到的一维时间序列数据进行连续小波变换得到多维时间序列作为平稳子空间分析的输入,利用平稳子空间分析方法将该多维时间序列分解为平稳源信号分量和非平稳源信号分量,对非平稳源信号进行包络谱分析得到齿轮箱故障的特征频率。该小波域平稳子空间分析方法被应用于一个实际风力发电机齿轮箱振动信号的分析,试验结果表明该方法可有效地诊断出齿轮箱中的轴承故障。     

行星齿轮箱的定子电流信号诊断方法试验研究

为了解决风力双馈感应发电机（doubly fed induction generator,简称DFIG）行星齿轮箱故障诊断中常规振动检测技术成本高、现场安装与实施困难等问题,提出了一种直接利用DFIG定子电流信号的间接诊断方法。利用电动机、行星齿轮箱和变频器等通用设备,建立了一个简便易行的DFIG传动系统故障模拟试验台。通过模拟试验和Hilbert解调谱分析方法,以行星齿轮为例,研究传动系统的DFIG定子电流信号故障感应机理,探讨故障特征频率成分随发电机运行工况的变化规律。通过与振动加速度信号和扭振信号的对比分析,表明DFIG定子电流信号可以兼顾反映行星齿轮的径向振动与扭振信号的振动特征,可作为实际风电机组常规振动检测技术的一种替代方法。     

基于免疫算法的风力发电机齿轮箱传感器布置优化研究

在风力发电机齿轮箱故障诊断中信号采集是故障分析诊断的前提条件,同时也是必要条件,目前最为成熟的方法为振动信号分析方法,而由于齿轮箱内部结构不能破坏等原因导致振动传感器只能安装在齿轮箱外壁,齿轮箱外壁传感器位置布置的优劣会直接影响诊断精度;为此,采用免疫算法解决风机故障诊断中传感器测点布置的问题,构建齿轮箱振源坐标系,计算振动传输的最佳采集路径,确定最佳测点,实现了传感器测点的优化布置,为传感器布置提供了有效的方法。     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。